[发明专利]一种基于蚁群算法的动态联盟伙伴选择方法

说明书

技术领域

本发明涉及一种数据计算方法，特别涉及一种动态联盟伙伴选择方法。

背景技术

蚂蚁已经存在了长达1亿年，是自然界最成功的种群之一。简单的蚂蚁个体之间的协作行为，表现为整个群体高度结构化的社会组织，在很多情况下能够完成远远超出蚂蚁个体能力的复杂任务。这种来自生物界的个体行为的协作集合，所体现出的高度结构化的群体能力的惊人提升，正与工业界的动态联盟的内涵相暗合。这也正是促使本发明采用该算法的动因。

蚁群算法(Ant Colony Optimization，ACO)思想来自蚂蚁寻找食物的行为，是一种全局优化算法。蚁群算法优化过程有四种机制：①路径选择机制。信息量越大的路径，被选择的概率越大。②信息素更新机制。路径上的信息量浓度会随蚂蚁的经过而增长，同时也随着时间的推移逐渐衰减。③交流协调机制。蚂蚁个体之间是通过信息素来互相通信，协同工作。④最优解搜索机制。蚁群单独一个搜索循环得到的解，只是局部最优。适当的局部搜索算法，能扩大搜索空间，有利于发现全局最优解。在这四种机制下，蚁群算法将信息正反馈原理和启发式算法有机结合，蚁群个体之间不断交流、传递信息，相互协作，有利于发现较好解。

在自然界中，蚁群是在一定的小范围生态环境——小生境(Microhabitat)中进行活动的。小生境中有着各种因素影响蚂蚁的寻优活动。制造企业动态联盟实际上也可以看作是在特定范围中的企业相互联系，相互作用的群体。这个范围中的各种因素影响着企业对盟友的选择，比如生产时间、成本、质量、候选伙伴信誉度、生产能力，以及物流成本、物流时间等因素。并且还要根据各个因素相应的重要性和特点予以分别考虑，以对候选伙伴进行优化组合。所以选择合作伙伴是一个多目标优化的问题。企业动态联盟的快速组建与在小的生态环境下蚂蚁的寻优活动颇有相似之处。

然而，基本蚁群算法也存在有待解决的问题。①信息正反馈在强化性能较好的解的同时，将搜索空间逐步局限在一个很小的范围内，可能只得到局部最优解。②由于结点间经验信息趋向稳定，导致转移概率基本保持不变，极易陷入停滞。

发明内容

本发明是针对现有基本蚁群算法存在着极易陷入停滞的问题，提出了一种基于蚁群算法的动态联盟伙伴选择方法，提出“小生境蚁群算法”(MACO)。MACO在利用正反馈的同时，引入时变参数来利用经验信息和启发信息，并在局部寻优时结合了小生境信息差的思想，从而有效地防止遗传算法中出现的“早熟”问题和蚂蚁算法中发生的“停滞”状态。

本发明的技术方案为：一种基于蚁群算法的动态联盟伙伴选择方法，包括如下步骤：

1)根据制造企业动态联盟的具体情况，建立相应的制造协同链-MCC，然后根据各个环节对资源的需求特点，确定每个环节的评价指标体系以及每个环节的指标约束值；

2)根据实际条件确定环节v_i的侯选角色元的组合性能矩阵，计算v_i的侯选角色元可以产生的2-可重组合，以及环节v_i的侯选角色元到v_i+1的侯选角色元之间的通道性能矩阵，在此基础上建立候选伙伴有向图CEC＝(CEV，CEA)，CEV＝(1，2，…，n}是候选结点集合，CEA＝{(i，j)}是边的集合；

3)利用小生境蚁群算法(MACO)选择最佳候选角色元组合。

所述小生境蚁群算法(MACO)的实现步骤：

1)初始化：设定最大循环次数Cyclemax，蚂蚁数m。开始时，所有的m个蚂蚁都集中在起点S。赋予每条边上相等数量的信息量τ₀＝C，C常数；

2)路径选择：蚂蚁k从S点出发，按照选择策略，从和S相关联的结点的集合中，选择一个结点a，以及a的一条后继边；然后，再从这条边连接的另一结点b开始，从和b相关联的边的集合中，选择另一条边。如果蚂蚁走到某结点，该结点没有后继结点，则蚂蚁死亡，删除该蚂蚁经过路径的记录，标记此结点为断路，下次不再选择此结点；

以此类推，直到搜索到终点E。于是，蚂蚁k得到一个从S到E的解。蚂蚁k搜索完后，其余的蚂蚁按照和k相同的方法，搜索出从S到E的其它路径；

3)局部搜索：当m只蚂蚁搜索完后，求得m个解，包括重复的，蚂蚁个体之间交流信息，借助小生境信息差对路径“再探索”。小生境信息差是通过对这m个解采用遗传操作，遗传交叉，遗传变异，来实现的，利用遗传算法，进行局部搜索，得到局部最优解；